Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Coronavirus Disease 2019 (COVID-19)adalah sebuah penyakit yang menyerang sistem pernafasan dan merupakan penyakit menular yang menyebar secara cepat keseluruh dunia. Penyebaran COVID-19 di Indonesia khusus nya Provinsi DKI Jakarta terus mengalami peningkatan yang cukup signifikan, kasus terkonfirmasi positif maupun meninggal terus bertambah setiap harinya. Informasi mengenai prediksi angka kasus harian COVID-19 dapat membantu pihak-pihak terkait dalam melakukan tindakan preventif penyebaran COVID-19. Dalam memprediksi kasus harian COVID-19, pendekatan machine learning dapat digunakan untuk menyelesaikan permasalahan ini. Salah satu algoritma di dalam machine learning yang dapat digunakan dalam memprediksi kasus harian COVID-19 yaitu Bidirectional LSTM (Bi-LSTM). Data yang digunakan diambil dari Website Jakarta Tanggap COVID-19 yang tercatat mulai 03 Maret 2020 hingga 15 Mei 2021. Bi-LSTM cocok digunakan untuk prediksi data yang bersifat time-series. Dalam implementasinya, data kasus harian COVID-19 dinormalisasi terlebih dahulu dan kemudian diimplementasikan pada metode Bi-LSTM untuk memprediksi kasus positif harian, sembuh harian, dan meninggal harian COVID-19 di DKI Jakarta. Fungsi aktivasi ReLU dan fungsi optimasi Adam digunakan dalam proses prediksi kemudian untuk evaluasi model digunakan Root Mean Squared Error (RMSE). Nilai RMSE terkecil yang diperoleh untuk prediksi kasus positif harian sebesar 203,193 dengan menggunakan perbandingan 95% data training:5% data testing; sembuh harian sebesar 211,068 dengan menggunakan perbandingan 95% data training:5% data testing; dan meninggal harian sebesar 6,758 dengan menggunakan perbandingan 80% data training:20% data testing. Hasil RMSE yang didapat lebih baik dibandingkan dengan penelitian sebelumnya. ......Coronavirus Disease 2019 (COVID-19) is an infectious disease that attacks respiratory system and it spreads rapidly throughout the world. The spread of COVID-19 in Indonesia, especially in DKI Jakarta, the confirmed positive cases and deaths continue to increase every day. Information regarding the prediction of the daily number of COVID-19 cases can assist related parties in taking preventive actions against the spread of COVID-19. To predict the daily cases of COVID-19, a machine learning algorithm approach can be used to solve this problem. One of the algorithms in machine learning that can be used to predict daily cases of COVID-19 is Bidirectional LSTM (Bi-LSTM). The data used is taken from Jakarta Tanggap COVID-19 which was recorded from March 3, 2020 to May 15, 2021. Bi-LSTM is suitable for predicting time-series data. In its implementation, the daily cases data of COVID-19 is normalized first and then implemented on the Bi-LSTM method to predict daily positive cases, daily recovery cases, and daily death cases of COVID-19 in DKI Jakarta. ReLU activation function and Adam optimization are used for the prediction process, while Root Mean Squared Error (RMSE) is used for the model evaluation. The smallest RMSE value for daily positive cases prediction is 203,193 using comparison 95% data training:5% data testing; daily recovery cases 211,068 using comparison 95% data training:5% data testing; and daily death cases 6,758 using comparison 80% data training:20% data testing. The RMSE value obtained is better than previous studies.

Abstrak :
Indonesia merupakan salah satu negara dengan penduduk terbanyak yang mengalami kebutaan yang disebabkan oleh katarak sebesar 77,7 %. Pendeteksian terhadap pasien katarak dapat dilakukan menggunakan citra fundus dengan metode komputasi. Salah satu metode komputasi populer dalam klasifikasi citra fundus adalah deep learning yang merupakan salah satu pendekatan machine learning. Pada tesis ini, model convolutional neural network (CNN) yang digunakan adalah arsitektur AlexNet dengan Lookahead-diffGrad optimizer. Data yang digunakan dalam penelitian ini diambil dari situs Kaggle yang berisi citra fundus katarak. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti menerapkan resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan CNN dengan Lookahead-diffGrad optimizer pada dataset citra retina katarak dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan katarak, sehingga dapat membantu untuk mendiagnosis penyakit tersebut dengan baik. Selain itu, hasil terbaik juga diperoleh oleh CNN dengan Lookahead-diffGrad optimizer berdasarkan nilai loss sebesar 0,0010 dan akurasi 100 % dibandingkan berbagai optimizer lainnya untuk mengklasifikasikan dataset citra retina katarak.

---

Abstrak :
Katarak menjadi penyebab kebutaan tertinggi di Indonesia. Dilaporkan oleh Kementrian kesehatan RI bahwa hasil survey yang dilakukan terhadap penduduk dibeberapa kota besar di Indonesia sebanyak 3% mengalami kebutaan, dan 81% dari nilai tersebut diakibatkan oleh katarak. Cara yang paling ampuh dalam mengatasi katarak ialah operasi dan perawatan setelahnya. Namun, diperlukan biaya 70 juta rupiah untuk operasi satu mata. Salah satu cara yang dihimbau ialah dengan mendeteksi dini pada kelainan mata. Pemeriksaan dilakukan oleh seorang spesialis mata yaitu Ophtalmology, dengan menggunakan bantuan fundus image mata dapat merepresentasikan keadaan pasien. Oleh karena itu diperlukan cara yang mampu mendeteksi katarak secara otomatis. Proses pembelajaran mesin menjadi cara yang banyak digunakan dalam menyelesaikan berbagai masalah, seperti masalah supervised atau masalah unsupervised. Untuk mengklasifikasi pasien katarak atau normal, dapat dibantu dengan metode Convolutional Neural Network (CNN) dengan model arsitektur VGG16 yang merupakan metode pembelajaran dengan algoritma deep learning biasa digunakan sebagai metode penyelesaian masalah gambar. Fundus image mata akan diekstrak menjadi fitur map yang akan menjadi ciri dari data. Kemudian setiap fitur map diolah melalui lapisan lainnya. Setiap lapisan berisikan parameter yang perlu dioptimasi agar proses pembelajaran data menjadi mudah dan efektif. Oleh karena itu diperlukan metode optimasi yang dapat mencari parameter terbaik yang dapat meminimumkan fungsi loss. Pada penelitian ini, dibangun metode optimasi RAdam berbasis Lookahead yang mampu mempercepat proses komputasi dan mempertahankan stabilitas dari learning rate. Dari hasil eksperimen pengklasifikasian fundus image mata katarak dan mata normal menggunakan model CNN dengan arsitektur VGG16 dan optimasi Lookahead-RAdam mendapatkan nilai loss 0,00608, akurasi 97,5% dan waktu lama proses 2388,081 detik. ......Cataracts are the leading cause of blindness in Indonesia. It was reported by the Ministry of Health of the Republic of Indonesia that the results of a survey conducted on the population of several big cities in Indonesia were 3% blind, and 81% of this value was caused by cataracts. The most effective way to deal with cataracts is surgery and aftercare. However, it costs 70 million rupiah for one eye surgery. One of the recommended ways is for early detection of eye disorders. The examination is carried out by eye specialists, namely Ophthalmologists, using the help of a fundus image of the eye to represent the patient's condition. However, specialists in Indonesia are not evenly distributed throughout the country. Therefore, we need another way that can detect cataracts automatically. The machine learning approach is an approach that is widely used to solve various problems, such as supervised problems or unsupervised problems. There are many methods to help classify cataract or normal patients, one of which is by the Convolutional Neural Network (CNN) with the VGG16 architectural model which is a learning method with deep learning algorithms commonly used as a method of solving image problems. The Fundus image of the eye will be extracted into a feature map that will characterize the data. Then, each feature map is processed through other layers. Each layer contains parameters that need to be optimized so that the data learning process becomes easy and effective. Therefore, we need an optimization method that can find the best parameters that can minimize the loss function. In this study, constructed the RAdam optimization based Lookahead which is able to accelerate the computation process but also maintain the stability of the learning rate. From the experimental results of the classification of the fundus images of cataract and normal eye using the CNN model with the VGG16 architecture and the optimization Lookahead-RAdam, the value of loss is 0.00608, accuracy of 97.5% and a processing time of 2388.081 seconds.

Abstrak :
ABSTRACT
Retinopati Diabetik adalah salah satu penyakit pada retina disebabkan oleh komplikasi diabetes yang dapat berujung pada kebutaan. Retinopati Diabetik tidak bisa dideteksi langsung secara kasat mata karena tanda-tandanya berada di bagian syaraf retina. Dari beberapa penelitian yang telah dilakukan pendeteksian Retinopati Diabetik dimungkinkan dapat dilakukan dengan melakukan klasifikasi menggunakan data citra retina atau yang biasa disebut sebagai citra fundus. Dalam penelitian ini diterapkan metode segmentasi citra yaitu Watershed dan Efficient Graph-Based beserta metode klasifikasi yaitu K-Nearest Neighbor dan Support Vector Machine dalam pendeteksian Retinopati Diabetik. Dari hasil implementasi, metode untuk segmentasi Efficient Graph-Based menggunakan data citra fundus dari DIARETDB0 diperoleh nilai akurasi, recall, dan precision lebih tinggi dibandingkan dengan metode segmentasi Watershed.

---

ABSTRACT
Diabetic Retinopathy is one of disease on retina because of Diabetic complication that can cause blindness. Diabetic Retinopathy cant detected directly from the eyes because sign of Diabetic Retinopathy itself is in the eyes nerve. From several research that has been done prove that Diabetic Retinopathy can be detected by using retinas image or usually called fundus image. In this research use segmentation method that is Watershed and Efficient Graph-Based with classification method that is K-Nearest Neighbor and Support Vector Machine for detection of Diabetic Retinopathy. From the implementation result, the Efficient Graph-Based segmentation method using fundus image data from the DIARETDB0 obtained that the accuracy, recall, and precision score is higher than Watershed segmentation method.

Abstrak :
ABSTRACT
Malaria adalah penyakit yang ditularkan oleh nyamuk Anopheles yang sudah terinfeksi oleh parasit Plasmodium. Parasit Plasmodium Falciparum yang menjadi penyebab terbesar kasus  malaria di Indonesia memiliki empat fase yaitu Ring, Tropozoite, Schizont, dan Gametocyte. Deteksi fase merupakan langkah yang penting untuk dilakukan karena pengobatan yang diberikan harus sesuai dengan jenis fase yang dialami oleh pasien. Deteksi biasanya dilakukan menggunakan mikroskop atas apusan sel darah merah, namun hal tersebut membutuhkan waktu yang tidak sebentar, sehingga dibutuhkan metode alternatif. Dalam penelitian ini, penulis mengusulkan penggunaan metode segmentasi Otsu Thresholding dan metode preprocessing. Median Filter pada ruang warna HSI dan CIE dalam mendeteksi fase malaria. Data yang digunakan berasal dari Center for Disease Control and Prevention (CDC) dengan total 26 citra. Positive Predictive Value( PPV) dan Sensitivity dipilih sebagi alat ukur untuk mengevaluasi kinerja melalui metode yang diusulkan. Dari hasil eksperimen, didapatkan nilai PPV pada ruang warna HSI mengungguli PPV pada ruang CIE. Sedangkan, pada nilai Sensitivity tidak tampak adanya perbedaan yang signifikan. Sehingga, segmentasi pada ruang warna HSI menghasilkan citra yang lebih baik dibandingkan pada ruang warna CIE.

---

ABSTRACT
Malaria is a disease transmitted by Anopheles mosquitoes that has been infected by Plasmodium parasits. Plasmodium Falciparum is the leading cause of Malaria in Indonesia has four phases including Ring, Trophozoite, Schizont, and Gametocyte. Malaria Phase Detection is an important step to be done because the treatment given must be in accordance with the Malaria Phase experienced by the patients. Detection is usually done by using microscope to detect red blood cells, but this method needs a long time, so alternative method is needed. In this research, we present Otsu Thresholding segmentation method and Median Filter preprocessing method on HSI and CIE color space.Positive Predictive Value (PPV) and Sensitivity are chosen as a measurement to evaluate performance of our proposed method. From the experiment result, the PPV value on HSI color space is higher than PPV on CIE color space, while there is not significant different in Sensitivity Value for both color spaces.

Abstrak :

Credit Scoring adalah metode yang digunakan untuk memprediksi kemungkinan adanya risiko calon peminjam akan gagal bayar atau menunggak. Credit scoring digunakan oleh penyedia jasa pinjaman ketika calon peminjam dana mengajukan pinjaman. Salah satu perusahaan yang menggunakan credit scoring terhadap peminjamnya adalah Lending Club. Lending Club adalah salah satu penyedia jasa pinjam meminjam online Peer-to-Peer (P2P) di Amerika Serikat. Pada penelitian ini, dilakukan klasifikasi multikelas credit scoring berdasarkan status pinjaman (Loan Status) dari dataset Lending Club. Status pinjaman memiliki 3 kelas, yaitu default, fully paid, dan late. Dengan menggunakan pendekatan machine learning, yaitu supervised learning, klasifikasi multikelas credit scoring dapat dilakukan dengan menggunakan Multinomial Logistic Regression (MLR). MLR merupakan pengembangan dari Logistic Regression yang mampu menangani klasifikasi multikelas. Pada implementasi model MLR, digunakan 3 skenario sampling strategy pada SMOTE yang berbeda dalam mengklasifikasikan multikelas. Hasil klasifikasi multikelas dievaluasi dengan menggunakan metrik accuracy, precision, recall, F1-Score dan AUC (Area Under the Curve) One versus All. Hasil implementasi dengan evaluasi terbaik adalah model MLR dengan nilai accuracy sebesar 0,67 dan nilai rata-rata AUC One versus All sebesar 0,724932. Sedangkan evaluasi pada setiap kelas, kelas default memiliki nilai precision sebesar 0,47,recall sebesar 0,02 dan F1-Score sebesar 0,04; kelas fully paid memiliki nilai precision sebesar 0,85, recall sebesar 0,83 dan F1-Score sebesar 0,84; dan kelas late memiliki nilai precision sebesar 0,02, recall sebesar 0,84 dan F1-Score sebesar 0,04. Hasil tersebut menunjukkan bahwa kelas default memiliki hasil evaluasi yang kurang baik untuk setiap metrik evaluasi, kelas fully paid memiliki hasil evaluasi yang baik untuk setiap metrik evaluasi, sedangkan kelas late memiliki nilai yang cukup baik hanya pada nilai recall (0,84). Hasil yang kurang baik diduga dipengaruhi oleh adanya data yang tidak seimbang dan kelas yang saling tumpang tindih. ......Credit Scoring is a method used to predict the possible risk that a prospective borrower will default or delinquency. Credit scoring is used by loan service providers when prospective borrowers apply for loans. One company that uses credit scoring for its borrowers is the Lending Club. Lending Club is a Peer-to-Peer (P2P) online lending and borrowing service provider in the United States. In this study, a multiclass credit scoring classification was carried out based on loan status from the Lending Club dataset. Loan status has 3 classes, namely default, fully paid, and late. By using a machine learning approach, namely supervised learning, multiclass classification of credit scoring can be done using Multinomial Logistic Regression (MLR). MLR is a development of Logistic Regression which is able to handle multiclass classification. In the implementation of the MLR model, 3 different sampling strategy scenarios are used in SMOTE in classifying multiclasses. The multiclass classification results are evaluated using accuracy, precision, recall, F1-Score and AUC (Area Under the Curve) One versus All metrics. The result of the implementation with the best evaluation is the MLR model with an accuracy value of 0.67 and an average value of AUC One versus All of 0.724932. While the evaluation for each class, the default class has a precision value of 0.47, a recall of 0.02 and an F1-Score of 0.04; the fully paid class has a precision value of 0.85, a recall of 0.83 and an F1-Score of 0.84; and the late class has a precision value of 0.02, a recall of 0.84 and an F1-Score of 0.04. These results show that the default class has poor evaluation results for each evaluation metric, the fully paid class has good evaluation results for each evaluation metric, while the late class has a fairly good value only on the recall value (0.84). Unfavorable results are thought to be influenced by the presence of unbalanced data and overlapping classes.

Abstrak :
Mata merupakan salah satu indera terpenting bagi kehidupan manusia. Umumnya, banyak manusia yang mengabaikan gangguan fungsi penglihatan, dimana gangguan fungsi penglihatan ini mengindikasikan awal mula penyakit mata. Penyakit mata adalah gangguan fungsi penglihatan berkisar dari gangguan fungsi penglihatan ringan hingga gangguan fungsi penglihatan berat yang dapat menyebabkan kebutaan. Dalam melakukan diagnosa terhadap pasien gangguan fungsi penglihatan memiliki jenis penyakit mata yang diderita, diperlukan tahapan pemeriksaan retina dengan ophthalmoscopy atau fotografi fundus. Setelah itu, seorang dokter spesialis mata menganalisis jenis penyakit mata yang diderita pasien tersebut. Namun, karena terbatasnya sarana fasilitas kesehatan dan dokter spesialis mata yang memeriksa dan mengoperasi. Oleh karena itu, dibutuhkan alat deteksi dini dengan menggunakan data citra agar pasien gangguan penglihatan dapat ditangani sebelum pasien menderita gangguan fungsi penglihatan berat atau dapat mengalami kebutaan. Pada penelitian ini, diusulkan oleh peneliti model klasifikasi citra fundus ke dalam kelas normal, katarak, glaukoma, dan retina disease menggunakan Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data citra yang digunakan merupakan data fundus image retina yang berasal dari website kaggle. Sebelum data citra fundus image masuk ke dalam proses training model, dilakukan tahapan preprocessing pada data citra fundus image. Pada tahapan proses training dalam CNN digunakan fungsi optimasi untuk meminimalkan fungsi loss. Adapun fungsi optimasi yang digunakan dalam penelitian ini adalah Adam dan diffGrad. Hasil penelitian ini menunjukkan bahwa kedua fungsi optimasi tersebut memiliki hasil evaluasi training yang tidak jauh berbeda pada kedua fungsi optimasi. Keunggulan menggunakan kedua fungsi optimasi ini adalah mudah diterapkan. Pada penelitian ini didapatkan training loss terkecil sebesar 0,4838, validation loss terkecil sebesar 0,6658, dan training accuracy terbaik sebesar 0,8570 yang dimiliki oleh fungsi optimasi Adam. Sedangkan untuk validation accuracy terbaik sebesar 0,7189 yang dimiliki oleh fungsi optimasi diffGrad. Sedangkan running time tercepat pada proses training model sebesar 2840,9 detik yang dimiliki oleh fungsi optimasi diffGrad. Setelah tahapan proses training, dilakukan evaluasi dengan data testing. Secara keseluruhan, apabila dilihat dari hasil testing yang terbaik dimiliki oleh fungsi optimasi Adam dengan nilai accuracy sebesar 63%, recall sebesar 63%, dan precision sebesar 63%. Sedangkan running time tercepat pada proses testing model adalah 5,4 detik yang dimiliki oleh fungsi diffGrad. Dapat disimpulkan bahwa metode CNN menggunakan Arsitektur AlexNet dan fungsi optimasi Adam memberikan performa terbaik dalam mendeteksi penyakit mata pada data fundus image. ......The eyes are one of the most important senses for human life. Generally, many people ignore visual impairment, where this visual impairment indicates the onset of eye disease. Eye disease is a visual impairment ranging from mild visual impairment to severe visual impairment which can lead to blindness. In diagnosing patients with visual impairment who have the type of eye disease they suffer, it is necessary to carry out a retinal examination with ophthalmoscopy or fundus photography. After that, an ophthalmologist analyzes the type of eye disease the patient is suffering from. However, due to limited medical facilities and ophthalmologists who examine and operate. Therefore, an early detection tool is needed using image data so that visually impaired patients can be treated before the patient suffers from severe visual impairment or can go blind. In this study, researchers proposed a model for classifying fundus images into normal, cataract, glaucoma, and retinal disease classes using Convolutional Neural Network (CNN) with AlexNet architecture. The image data used is retinal fundus image data from the Kaggle website. Before the fundus image data enters the training model process, a preprocessing stage is carried out on the fundus image data. At this stage of the training process in CNN, an optimization function is used to minimize the loss function. The optimization functions used in this study are Adam and differed. The results of this study indicate that the two optimization functions have training evaluation results that are not much different from the two optimization functions. The advantage of using these two optimization functions is that they are easy to implement. In this research, the smallest training loss is 0.4838, the smallest validation loss is 0.6658, and the best training accuracy is 0.8570 which is owned by the Adam optimization function. As for the best validation accuracy of 0.7189 which is owned by the diffGrad optimization function. Meanwhile, the fastest running time in the model training process is 2840.9 seconds, which is owned by the diffGrad optimization function. After the stages of the training process, evaluation is carried out with data testing. Overall, when viewed from the testing results, Adam's optimization function is the best with an accuracy value of 63%, recall of 63%, and precision of 63%. Meanwhile, the fastest running time in the model testing process is 5.4 seconds, which is owned by the diffGrad function. It can be concluded that the CNN method using AlexNet Architecture and Adam's optimization function provides the best performance in detecting eye diseases in fundus image data.

Abstrak :
Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, terutama untuk kanker prostat. Penyakit ini adalah jenis kanker yang paling umum untuk pria di dunia. Jumlah kematian dapat dikurangi dengan deteksi dini menggunakan machine learning. Salah satunya adalah klasifikasi data kanker prostat. Data kanker yang digunakan memiliki berbagai fitur, tetapi tidak semua fitur adalah fitur penting. Dalam penelitian ini, kami menggunakan Support Vector Machine-Recursive Feature Elimination (SVM-RFE) dan One Dimensional Naïve Bayes Classifier (1-DBC) sebagai metode seleksi fitur. Dalam kedua metode itu akan mendapatkan peringkat untuk setiap fitur. Penggunaan kedua metode ini dalam klasifikasi data kanker prostat menghasilkan tingkat evaluasi yang tinggi. Kedua metode ini dapat menghasilkan tingkat akurasi 100%, precision 100%, dan recall 100% pada metode klasifikasi Random Forest. Dan menghasilkan tingkat akurasi 95%, precision 100%, dan recall 94,11% pada metode klasifikasi SVM. Dalam evaluasi tambahan, SVM-RFE memiliki running time lebih rendah dari 1-DBC.

---

Death caused by cancer is expected to continue to increase, especially for prostate cancer. This disease is the most common type of cancer for men in the world. The number of deaths can be reduced by early detection using machine learning. One of them is the classification of prostate cancer data. Cancer data used has various features, but not all features are essential features. In this study, we use Support Vector Machine-Recursive Feature Elimination (SVM-RFE) and One Dimensional Naïve Bayes Classifier (1-DBC) as a feature selection method. In both methods, it will get a rating for each feature. The use of these two methods in the classification of prostate cancer data produces a high level of evaluation. Both of these methods can produce 100% accuracy, 100% precision, and 100% recall in the Random Forest classification method. And it produces 95% accuracy, 100% precision, and 94.11% recall in the SVM classification method. In the additional evaluation, SVM-RFE has a running time lower than 1-DBC.

Abstrak :
Dengue adalah salah satu penyakit endemik yang terjadi pada banyak daerah sub tropis dan tropis. Nyamuk Aedes aegypti merupakan vektor utama penyakit dengue. Jumlah insiden dengue telah meningkat secara drastis di seluruh dunia dalam beberapa dekade terakhir. Perubahan iklim dapat menyebabkan perubahan curah hujan, suhu, kelembapan, dan arah udara, sehingga dapat berpengaruh pada perkembangbiakan hidup nyamuk Aedes. Pada skripsi ini, penulis mengimplementasikan algoritma ­K-Medoids dan Fuzzy C-Means Clustering menggunakan jarak Euclidean pada data insiden dengue dan cuaca yang diambil dari kelima wilayah di DKI Jakarta pada tahun 2009 hingga 2016. Variabel yang digunakan terdiri atas rata-rata temperatur, rata-rata kelembapan udara relatif, curah hujan, dan insiden dengue. Proses implementasi dalam skripsi ini dibedakan atas 2 skenario penelitian, yaitu menggunakan 4 variabel yang telah disebutkan di atas dan 3 variabel (variabel yang sama seperti sebelumnya, namun tanpa variabel insiden dengue). Tujuan penelitian dalam skripsi ini adalah menganalisis keterkaitan antara variabel cuaca tersebut dan insiden dengue dari kelima wilayah di DKI Jakarta. Untuk menentukan jumlah klaster yang digunakan, pada metode K-Medoids Clustering dilakukan perhitungan Silhouette Coefficient dan pada metode Fuzzy C-Means Clustering dilakukan perhitungan Modified Partition Coefficient. Hasil menunjukkan bahwa terdapat korelasi yang cenderung positif antara insiden dengue dengan rata-rata kelembapan udara relatif dan jumlah curah hujan di DKI Jakarta. Sementara itu, terdapat korelasi yang cenderung negatif antara jumlah insiden dengue dengan rata-rata temperatur di DKI Jakarta. Hasil dari kedua skenario menunjukkan bahwa terdapat kemiripan nilai rata-rata temperatur yang terjadi antara Jakarta Pusat dan Jakarta Utara, serta antara Jakarta Timur, Jakarta Selatan, dan Jakarta Barat. Kemiripan nilai rata-rata kelembapan udara relatif juga terjadi pada wilayah-wilayah seperti yang telah disebutkan sebelumnya. Hasil dari kedua skenario juga menunjukkan bahwa insiden dengue yang terjadi di Jakarta Pusat dan Jakarta Utara cenderung lebih rendah dari Jakarta Timur, Jakarta Barat, dan Jakarta Selatan. Berdasarkan hasil yang diperoleh, pembentukan klaster pada skenario pertama cenderung dipengaruhi oleh jumlah insiden dengue. Sementara itu, pembentukan klaster pada skenario kedua cenderung dipengaruhi oleh jumlah curah hujan.

---

Dengue is an endemic disease prevalent in sub-tropical and tropical regions. The Aedes aegypti mosquito is the main vector of dengue. Dengue incidence has been rising dramatically throughout the last few decades. Climate change may lead to changes in rainfall, temperature, humidity, and wind direction, so that it can affect the breeding of Aedes mosquitoes. In this study, we employ K-Medoids Clustering and Fuzzy C-Means (FCM) Clustering algorithms using Euclidean distance on five regions in DKI Jakarta every year from 2009 to 2016. The variables used consist of average temperature, average relative humidity, rainfall, and dengue incidence. The implementation process in this study is divided into 2 research scenarios. Firstly using the 4 variables that was mentioned above, and secondly using 3 variables (the same variables as before, but without the dengue incidence variable). The purpose of this study is to analyze the relationships between these weather variables and dengue incidence in the five regions in DKI Jakarta. In order to determine the number of clusters used, for K-Medoids Clustering we determine the Silhouette Coefficient, and for Fuzzy C-Means Clustering we determine the Modified Partition Coefficient. The results show that there tends to be a positive correlation between the number of dengue incidence with average relative humidity and the amount of rainfall. On the other hand, there tends to be a negative correlation between the number of dengue incidence with the average temperature. The results of the two scenarios show that there are similarities in the average temperature between Central Jakarta and North Jakarta, as well as between the East Jakarta, South Jakarta, and West Jakarta. Similarities in the average relative humidity also occur in the areas mentioned before. The results of both scenarios also show that the dengue incidence in Central Jakarta and North Jakarta tend to be lower than in East Jakarta, West Jakarta, and South Jakarta. Based on the results, cluster formation in the first scenario tends to be influenced by the number of dengue incidence. Meanwhile, cluster formation in the second scenario tends to be influenced by the amount of rainfall.

Abstrak :
Produksi lapisan tipis TiO2 Nanotubes (TNTs) secara luas sebagai salah satu modifikasi morfologi semikonduktor TiO2 telah banyak dilakukan untuk meningkatkan performa aktivitas katalitik yang dimilikinya. Produksi TNTs menggunakan elektrolit berbasis organik yang memiliki nilai viskositas tertentu, seperti etilen glikol terbukti mampu menghasilkan morfologi TNTs highly ordered, namun penggunaannya kurang menguntungkan karena tidak ekonomis serta kurang ramah lingkungan. Pemanfaatan elektrolit berbasis air dengan penambahan zat aditif sodium carboxymethyl cellulose (Na-CMC) dapat menjadi alternatif, yang diketahui mampu meningkatkan nilai viskositas elektrolit. Pengamatan dilakukan terhadap parameter selama proses anodisasi seperti konsentrasi amonium fluorida terhadap bentuk morfologi TNTs yang dihasilkan Selain itu, kinetika pembentukan TNTs secara anodisasi menggunakan elektrolit amonium fluorida juga dimodelkan dan disimulasikan dengan metode komputasi, untuk dapat menunjang hasil eksperimen. Model matematika dibuat dari kemungkinan reaksi kimia yang terjadi, dengan prinsip kinetika reaksi kimia, dan diolah dengan metode komputasi. Proses simulasi dilakukan menggunakan software MATLAB dan solver persamaan diferensial biasa (ODE) terhadap 14 spesi dan persamaan reaksinya dengan mengontrol potensial dan konsentrasi amonium fluorida dalam media elektrolit berbasis etilen glikol. Kurva densitas arus terhadap waktu dibandingkan dengan hasil penelitian pada kondisi yang sama. Berdasarkan hasil analisis dari profil kurva densitas arus dan karakterisasi menggunakan instrumentasi SEM, diperoleh hubungan yang linier antara meningkatnya konsentrasi amonium fluorida terhadap nilai densitas arus serta panjang dan diameter tabung. Hasil simulasi menunjukkan bahwa spesi air yang mengalami reaki reduksi-oksidasi (redoks) memiliki korelasi yang cukup kuat dengan profil kurva densitas arus hasil eksperimen dari tujuh sampel yang digunakan. Perhitungan nilai root mean square error (RMSE) atau ketidakakuratan dari kedua data dilakukan untuk menguji kinerja dari model yang dibuat dengan hasil yang diperoleh memiliki keakuratan yang cukup tinggi. A thin film of TiO2 nanotube (TNTs), as one of morphological modification of TiO2 semiconductor has been producted to improve the performance of its photocatalytic activity. The productions of TNTs using organic-based electrolytes which have a certain viscosity values, such as ethylene glycol, are proven to produce morphologies of highly ordered TNTs but its disadvantageous, because it is costly and enviromentally unfavorable. Application of waterbased electrolytes with the addition of sodium carboxymethyl cellulose (Na-CMC) additives, that is known to be able to increase electrolyte viscosity. Observations were conducted on the anodization parameters during process such as concentration of ammonium fluoride on the morphological form of TNTs. Furthemore, mathematics model of the chemical kinetic along the anodization processes were assessed and applied in a computational method to simulate and support the experimental results. The mathematical model, that was used for computational method, was based on chemical reactions and its kinetic. The simulation process is carried out using MATLAB software with ordinary differential equations (ODE) solver of 14 species and their reaction equations by controlling the potential and concentration of ammonium fluoride in ethylene glycol based electrolytes. Simulation of the formation of TNTs will produce a matrix of values from 14 reacting species. The current density curves against time are compared between the simulation results and experimental results under the same conditions. The result showed a linier correlation between the increased of ammonium fluoride concentration towards current density value in the term of tube length and diameters. The simulation result showed that oxidation-reduction reaction (redox) of water species have a strong correlation with the current density profile of the experimental results, refer to the seven sample used. The calculation of root mean square error (RMSE) value is used to test the performance of the model. The result showed that both simulation and experimental data have a fairly strong correlation.